基于改进DenseNet模型的电压暂降故障识别方法

胡怀雯

(湖南机电职业技术学院,湖南 长沙 410151)

0 引言

电压暂降是指供电电压在短时间内突然下降,然后在稍后的短暂时间内恢复到正常水平的现象。简而言之,它是一种瞬时的电压降低后迅速恢复的情况。国际电工委员会(IEC)定义电压暂降为电压有效值下降到额定值的1%～90%,并在10 ms到1 min的时间内恢复到正常值。在校园环境中,电压暂降已经成为影响实验设备和培训设备的主要电能质量问题。所以,实时监测电压暂数据,及时预防和解决电压暂降带来的问题变得非常重要。

电压暂降可分为两类:随机性暂降和计划性暂降。随机性暂降是由短路故障引起的暂降,这包括单相短路、两相短路和三相短路。而计划性暂降则是由人为操作引起的暂降,其中包括大型感应电机启动和变压器投切。

近年来,国内外专家对电压暂降类别做了大量的研究,传统的电压暂降故障识别方法主要依赖于特征工程和基于机器学习算法的分类器。然而,这些方法往往需要手动提取特征,且在处理复杂多变的电压信号时存在一定的局限性[1-3]。

为了克服这些问题,近年来出现了基于深度学习的方法,特别是卷积神经网络(Convolutional Neural Network,CNN)在电压暂降故障识别中显示出了优异的性能和潜力[4]。基于此,本文提出一种基于改进DenseNet模型的电压暂降检测方法。首先,利用空间变换和频率变换获取空间图像和频率图像,为改进DenseNet模型提供多种维度的特征,提升模型的性能,提高模型的泛化能力。其次,传统DenseNet模型的密集连接的设计,虽然使得网络的每一层都能够直接访问和重用来自前面层的特征信息,但是过于密集,会导致特征数据过多,学习速度变慢。因此在过渡层中使用注意力机制,以平衡模型的复杂度和表示能力。最后,对图像进行二值化操作,只关注曲线本身对曲线颜色等特征的屏蔽,增强模型的鲁棒性,提升训练的收敛速度。

1 电压暂降数据的空间变换

在电力系统分析中,常用复平面中的矢量表示三相对称电压和电流,它们被称为空间矢量,三相电压常用三相静止坐标系表示,他们会合成一个旋转的矢量,这个合成的矢量就很难用三相静止坐标系描述。因此,为了更好地表示这个旋转矢量,引入α-β坐标系(两相静止坐标系),α轴和β轴正交,选定α轴与U相方向重合。将合成矢量分解到α轴和β轴上,这样就得到了三相静止坐标系到两相静止坐标系的转换,具体变换如式(1)所示。

(1)

如图1所示,左侧为三相电压瞬时波形,分别对应单相短路、双相短路和三相短路,右侧为对应的空间变换图像。从图可知各种故障特征明显,很容易用肉眼区分,因此空间矢量图和三相电压瞬时波形图能够作为输入,训练改进DenseNet模型。训练时会对图像做二值化处理。

图1 空间矢量坐标变换

2 电压暂降数据的频率变换

当电力系统中发生电压暂降故障时,可以通过傅立叶变换分析电压信号的特点。傅立叶变换将时域信号(在时间上表示)转换为频域信号(在频率上表示),可以帮助人们更好地理解信号在不同频率上的组成,电压暂降故障时的频谱如图2所示。

图2 电压暂降故障频谱

在电压暂降故障时,电压信号可能会出现瞬时下降,并在一段时间后恢复正常。傅立叶变换可以将这个瞬时下降的电压信号分解成一系列频率分量,从而揭示信号的频谱特性,可以观察到低频成分增强、高频成分衰减、相位变化等特征。因此本文也会提取频率部分特征。

3 改进DenseNet模型

DenseNet模型种类较多,主要的区别在于深度的不同,为了使模型能够在便携式设备上使用,本文选用DenseNet-121模型。DenseNet-121模型是DenseNet模型系列中一个相对较浅的模型,由于其较少的参数量和计算复杂度,被广泛应用于计算资源受限的环境中。下面本文将对DenseNet-121模型进行简单介绍。(1)输入层:接受图像或其他类型的输入;(2)初始卷积层:一个7×7的卷积核进行卷积操作,步长为2,对卷积结果进行批归一化处理后传递给ReLU激活函数提取初始特征;(3)池化层:一个3×3的最大池化层,步长为2,用于降低特征图的尺寸;(4)Dense Block 1:由6个密集层组成,每个密集层都与前面密集层的输出进行连接,形成一种密集连接的结构。即对于第i个密集层而言,它的输入是前面所有层的输出的级联,密集层通常由一系列卷积操作组成,在卷积之后会应用批归一化(Batch Normalization)和激活函数(如ReLU);(5)过渡层 1:包括1×1卷积层和2×2的平均池化层,用于减小特征图的尺寸;(6)Dense Block 2:由12个密集层组成,同样采用3×3的卷积核;(7)过渡层 2:与过渡层 1 类似的结构;(8)Dense Block 3:由24个密集层组成;(9)过渡层 3:与过渡层 1 和 2 类似的结构;(10)Dense Block 4:由16个密集层组成;(11)全局平均池化层:将最后一个Dense Block的特征图尺寸转换为固定长度的特征向量;(12)全连接层:将特征向量映射为预期的类别数量;(13)输出层:通过Softmax激活函数得到最终的分类概率输出。

改进DenseNet模型主要的修改为:(1)对过渡层1～3进行修改,用注意力机制替代过渡层的操作;(2)全局平均池化层改为自适应池化层,不管什么尺寸的图像最后都能提取出相同维度的特征。

4 检测结果

综合分析实验结果,本文认为改进DenseNet模型对于电压暂降类型分类任务比较有效。然而,在这个实验中,笔者也发现随着网络深度的增加,模型的训练时间和计算资源需求也随之增加。因此,本文选用的是轻量级的DenseNet-121模型。实验采用的训练数据和测试数据一部分来自pqubes,一部分由函数模拟生成。实验结果详情如表1所示,其中“测试数据”表示每个实验所使用的不同测试数据集;“损失函数”是指模型对样本预测的结果与真实结果的距离,本文使用交叉熵损失函数;“准确率”表示预测正确的概率(包括正反例预测正确);“精确率”表示真正例在所有预测为正例中所占的比例;“召回率”表示真正例与真正例和假反例之和的比率。

表1 实验结果

5 结语

本文通过利用DenseNet的稠密连接和特征重用的特性,结合注意力机制,有效地提高了模型识别电压暂降故障的能力。本文研究对电力电压暂降问题的诊断具有重要的实际意义。通过准确识别电压暂降故障类型,快速定位故障,保证电力系统的稳定运行,提高供电可靠性。

然而,该方法仍然存在一些不足:(1)可以进一步研究和优化模型的架构和参数设置,以进一步提高性能;(2)进一步的实验和验证也是必要的,以确保该方法在更广泛的数据集和实际场景中的适用性;(3)为了提高电能质量,必要的检测手段必不可少。因此,后续的研究应拓展故障检测的范围,为电力系统高质量运行提供检测手段。